写好Prompt之九基石 Agent 架构法

東篱馆主

665人浏览 · 2026-04-29 00:28:34

東篱馆主 · 2026-04-29 00:28:34 发布

九基石 Agent 架构法：是以“YAML元数据 + 角色定义 + 9大核心版块”共同构建并组成的系统级别的提示词

1、以YAML Frontmatter也就是元数据区作为开头

标准格式：

---
name:                                      ---名称/代号：Agent的标识符或专属名称
description:                               ---描述/定位说明：对 Agent 专业领域、核心能力和                                               主要功能 的简短摘要（通常 1-2 句话）
color:                                     ---主题颜色
emoji:                                     ---表情符号/视觉标识：代表该 Agent 身份或特征的                                               一个或几个 Emoji 符号
vibe:                                      ---氛围/核心基调/底层逻辑：这是四个字段中最具“魔                                               法”色彩的一个。它不是客观描述，而是定义                                                    Agent 的 性格底色、哲学观念或底层世界观 （通                                               常是一句充满格言感或态度的话）
---

示例：

---
name: 人类学家 (Anthropologist)
description: 文化系统、仪式、亲属关系、信仰系统和民族志方法论专家 —— 致力于构建具有真实生活感而非凭空捏造的、文化逻辑自洽的社会
color: "#D97706"
emoji: 🌍
vibe: 没有任何文化是随机的 —— 每一种习俗都是为了解决某个你可能还未察觉的问题
---

好处：

在编写高级 Agent 提示词时，使用 YAML Frontmatter（YAML 元数据区）作为开头，是一个极其聪明且专业的做法。它标志着这份提示词从一段单纯的“聊天文本”，升级成了一个可被工程化调用的“软件模块”

4个核心作用：

1. 实现“机读”与“人读/模型读”的完美解耦 (工程化集成)

传统的提示词只是给大语言模型（LLM）看的自然语言。但如果你要开发一个多 Agent 系统（比如像 Coze、Dify 或你本地的 agency-agents 框架），你的后台代码（如 Python 或 JavaScript）也需要知道这个文件是什么。

代码极易解析：后台代码可以通过常规的 YAML 解析库，瞬间提取出大括号 — 之间的结构化数据。
无需额外建表：开发者不需要再在数据库里建一个表去存“这个 Agent 叫什么、描述是什么”，这个 Markdown 文件本身就兼具了“数据库配置”和“LLM 指令”的双重身份。

2. 直接驱动前端 UI 的渲染 (UI/UX 绑定)

你注意看它 YAML 里的字段：

name: Anthropologist
description: Expert in cultural systems...
color: "#D97706"
emoji: 🌍

这些字段是专门为前端界面准备的。当用户打开这个 Agent 平台时，系统可以直接读取这些信息，自动生成一张漂亮的角色卡片：

emoji 和 color ：直接渲染出带有特定背景色和图标的用户头像（Avatar）。
name 和 description ：直接作为列表页的标题和副标题。
这使得增加一个新 Agent 变得极度简单：只需丢进去一个带 YAML 头的 .md 文件，前端列表里就会自动多出一个排版精美的机器人。

3. 为大模型注入最高优先级的“初始心智” (Vibe/基调设定)

除了给代码看，大模型本身也会读取这部分内容。YAML 区里通常会有一个非常特别的字段，比如这里的 vibe （氛围/直觉）：

vibe: 没有任何文化是随机的 —— 每一种习俗都是为了解决某个你可能还未察觉的问题
这就好比演员在上台前，导演在他耳边说的一句**“核心戏眼”**。它在正文长篇大论的规则开始之前，用极高浓度的语言，瞬间锚定了大模型回答问题时的根本三观和语气基调。

4. 提升资产的标准化与可移植性 (标准化资产)

Markdown + YAML Frontmatter 是目前开源界（如 Github、Obsidian、各类静态博客、甚至各类 Agent 框架）最通用的文档格式标准。

易于管理：你可以用任何支持 Frontmatter 的软件对成百上千个 Agent 进行标签化分类、检索。
结构清晰：元数据（Metadata，关于 Agent 的信息）在上面，有效载荷（Payload，给大模型的指令）在下面，互不干扰，维护起来极其干净清爽。

总结来说：普通的提示词是写给 LLM 看的；而加上 YAML Frontmatter 的提示词，是同时写给系统代码、前端 UI、大模型以及开发者看的。它是构建现代化、工程化 AI 应用的“标准封装格式基石”。

2、以Agent 角色主脑作为一级标题紧接其后

标准格式：

# **** Agent Personality            ---“****”替换成对应的角色名称，要求是学术术语
......                              ---用一句核心描述（通常是 1-2 段话）定义了该 Agent 世界观和看待问题的根本视角。

示例

# 人类学家 Agent 角色设定 (Anthropologist Agent Personality)

你是**人类学家**，一位具备田野调查敏锐度的文化人类学家。你对待任何文化（无论是真实的还是虚构的）都带着同一个问题：“这种习俗为这些人解决了什么问题？”你的思维方式基于意义系统，而不是把异国情调的特征当成待办清单来勾选。

含义：

这是整个 Prompt 正文的总起，用一句核心描述（通常是 1-2 段话）定义了该 Agent 的世界观和看待问题的根本视角。

作用：

让大模型在进入具体规则前，先“入戏”。比如地理学家眼中的世界不是孤立的风景，而是“气候驱动生物、资源驱动贸易”的连通系统。

3、以九大版块儿作为架构零件组装成完整的Agent的身子

Your Identity & Memory(你的身份与记忆)

含义：定义该角色的专业背景、性格缺陷/偏好，以及它需要“记住”什么。
作用：
- 注入专业术语：如“柯本气候分类法”，这能瞬间激活大模型底层最优质的学术语料库。
- 划定注意力焦点：告诉 AI 在长对话中要特别关注哪些信息（比如追踪河流走向、气候带），防止聊久了以后 AI 忘记最初的设定。

Your Core Mission (你的核心任务)

含义：把抽象的“当一个专家”，拆解成 3-4 个具体的、可执行的行动目标（Actionable Goals）。
作用：防止大模型陷入漫无目的的闲聊。当用户提出一个模糊的需求时，大模型会用这里的核心任务去套用，主动推进工作（例如：主动去检查设定的连贯性，而不是仅仅回答“好的”）。

Critical Rules You Must Follow (你必须遵守的核心红线)

含义：这是最重要的防御性指令（Negative Prompting），列出了绝对不能犯的错误和不能逾越的边界。
作用：大模型很容易迎合人类或产生常识错误。这一版块专门用来“防呆”。例如强制规定“河流绝对不能分叉”、“必须考虑雨影效应”。这决定了 Agent 生成内容的下限。

Your Technical Deliverables (你的技术交付物)

含义：提供了标准化的输出模板（通常是 Markdown 代码块或 JSON/YAML 结构）。
作用：控制输出格式（Format Control）。它强制 AI 每次回答不能只是写一段散文，而必须按照“地形、气候带、水文、定居逻辑”等结构化字段来填写。极大降低了用户的阅读成本，也方便后续程序解析。

Your Workflow Process (你的工作流与思考过程)

含义：定义了解决问题时的先后顺序和步骤（Step-by-step SOP）。
作用：利用**思维链（Chain of Thought, CoT）**机制。强制 AI 不要跳步。比如必须先思考板块构造（山在哪），再思考气候，最后才思考人在哪定居。这能让 AI 的逻辑推理能力成倍提升，避免出现自相矛盾的设定。